中國P2P平臺借款成功率的影響因素研究

趙旭 周菁 趙子健

摘要：盡管P2P網(wǎng)絡(luò)借貸的成長有利于我國經(jīng)濟社會的發(fā)展，但受限于征信體系不完善、法律缺失以及監(jiān)管空白，目前我國P2P平臺的借款成功率較低。文章從投資人的決策心理出發(fā)，對P2P平臺借款成功率的影響因素進行了基于logistic回歸模型的實證分析，結(jié)果發(fā)現(xiàn)P2P平臺借款成功率與借款利率呈顯著負相關(guān)，與借款人信用等級呈顯著正相關(guān)，并受到借款金額、借款人年齡、學歷、婚姻狀況以及收入水平的影響。

關(guān)鍵詞：P2P平臺；借款成功率；借款利率；信用等級

一、 引言

本文試圖通過驗證借款利率和借款人信用等級對借款成功率的影響，解釋為何我國P2P平臺借款成功率較低，同時提出相應(yīng)政策建議，從而提高我國P2P平臺借款成功率，發(fā)揮P2P對于經(jīng)濟社會的實際作用。

二、 文獻綜述

縱觀國外已有研究，可以根據(jù)研究對象分為兩類。一類基于硬信息（Hard Information），即與借款人自身或借貸項目特征直接相關(guān)的信息，這些信息往往可以從借貸頁面直接獲??；另一類基于軟信息（Soft Information），指的是難以精確量化的、非標準化的信息。

硬信息方面，Klafft（2008）發(fā)現(xiàn)信用評級越高的人借款成功率越高，如信用評級為AA的借款人成功率高達54%，而信用評級為HR的借款人成功率僅為5.5%。Herzenstein等（2008）分析了Prosper平臺上5 370個貸款項目，發(fā)現(xiàn)如種族、性別等變量對拍賣機制下的平臺借款成功率影響較小，投資人更關(guān)注借款人的財務(wù)能力以及在申請過程中的努力程度。Puro等（2010）研究發(fā)現(xiàn)初始利率水平越高，借款人貸款申請的通過率越高，但貸款金額、債務(wù)收入比、已有違約次數(shù)越高，貸款申請通過率便越低。Pope和Sydnor（2011）指出P2P網(wǎng)貸市場中存在明顯的種族歧視，相同信用水平下，黑人的借款成功率低于白人。盡管黑人支付的借款利率較高，但投資人仍愿意降低自己的投資回報，而將資金出借給相同信用水平的白人，原因是他們認為黑人的違約風險更高。

軟信息方面， Herzenstein等（2011）研究了借款人描述性語言對投資人貸款決策的影響，結(jié)果表明非認證的信息較認證的客觀信息對投資人貸款決策的影響程度更大，隨著描述性語言中涵蓋的借款人特征數(shù)量增加，借款申請越容易獲得通過。但這種情況下，投資人很容易遭受貸款損失，因為這些借款人極少會償還借款。Ravina（2012）采用2007年3月12日～2007年4月16日之間Prosper平臺上約12 000個貸款項目數(shù)據(jù)，實證發(fā)現(xiàn)美貌程度高于平均水平的借款人獲得貸款的可能性會提高1.41%；而給定貸款項目，外貌較好的借款人能享受0.81%的利率優(yōu)惠。此外，借款人與投資人之間的相似性也會影響貸款決策。

近年來，隨著P2P平臺的迅速發(fā)展，國內(nèi)學者也開始對其借款成功率進行研究。陳冬宇等（2013）研究了P2P借貸市場中社會資本對交易信任和出借者出借意愿的影響，結(jié)果發(fā)現(xiàn)借款者的社會資本對出借者的意愿影響顯著。隨著信息不對稱的程度提高，社會資本對交易信任的影響增大，由此P2P平臺應(yīng)采取鼓勵借款者提供更多個人信息，并通過多種社交渠道幫助借款者建立有效的社會資本。宋文和韓麗川（2013）發(fā)現(xiàn)男性借款通過率低于女性，僅為女性的60%；年齡越大借款成功率越高；第三方信任程度與投資者的出借意愿正相關(guān)。溫小霓和武小娟（2014）采用logistic回歸模型對拍拍貸借款數(shù)據(jù)進行了研究，發(fā)現(xiàn)借款利率、借款人歷史失敗次數(shù)與借款成功率負相關(guān)，而借款金額、借款人歷史成功次數(shù)、信用積分、審核項目數(shù)與借款成功率正相關(guān)，指出P2P網(wǎng)絡(luò)借貸應(yīng)充分利用大數(shù)據(jù)優(yōu)勢開展有效的信用評估和風險評估。

綜上所述，國內(nèi)外已有文獻往往是基于P2P平臺公布的借款人基本信息進行實證分析，很少從投資人的角度去考慮其投資意愿對借款成功率的影響。本文由此考慮了投資人的決策心理，指出借款利率和借款人信用等級是影響投資人投資意愿的關(guān)鍵因素，同時構(gòu)建以此為解釋變量的回歸模型，測度其對P2P平臺借款成功率的影響程度。同時需要說明的是，本文選取了國內(nèi)代表性P2P平臺——人人貸的25 437個借貸項目數(shù)據(jù)，通過擴大數(shù)據(jù)規(guī)模提升了研究的可靠性。

三、 模型說明與數(shù)據(jù)統(tǒng)計

1. 研究假設(shè)。人人貸平臺的利率設(shè)定方式不同于國外的競價機制，是由平臺給定借款人一個利率設(shè)定范圍，然后借款人在此范圍內(nèi)自行設(shè)定具體利率。這種由借款人自行決定利率的機制具有一定的市場化成分，原因在于借款人自行設(shè)定利率時需要考慮利率對于投資人的吸引力，進而需要分析借貸市場中的供需關(guān)系。由此擬定的利率水平通常也應(yīng)包括借款人未來可能出現(xiàn)的違約風險，即可能存在借款利率越高、違約可能性越大的情況。投資人了解到這樣的利率決定機制之后，由于自身的理性，通常會規(guī)避過高的風險，因此本文提出假設(shè)H1：

H1：借款成功率與借款利率呈負相關(guān)關(guān)系。

借款人在人人貸平臺上進行借款申請時，需要提交個人基礎(chǔ)信息，并進行多項安全認證。此后，人人貸平臺會審核借款人提交的信息，同時給予相應(yīng)的評分，加總得到該借款人的信用分數(shù)，并匹配相應(yīng)的信用等級，包括AA、A、B、C、D、E、HR七個級別，代表的信用狀況依次遞減。信用等級衡量的是借款人未來的違約風險，故本文提出假設(shè)H2：

H2：借款成功率與借款人信用等級呈正相關(guān)關(guān)系。

2. 實證模型。本文采用計量回歸模型對P2P平臺借款成功率的影響因素進行分析，設(shè)定因變量為funded，在借款成功時賦值funded=1，借款失敗時賦值funded=0?？紤]到該變量為二元變量，本文由此選擇了logistic回歸模型用于預(yù)測該離散型因變量與其他解釋變量之間的關(guān)系。本文構(gòu)建logistic回歸模型如公式（1）：

ln（■）=？茁0+？茁1IR+？茁2Credit+？茁3X+？著（1）

ln（■）=？茁0+？茁1IR+？茁2Credit+？茁3X+？著（1）

其中：

P（funded=1）——借款成功事件發(fā)生的概率；

P（funded=0）——借款失敗事件發(fā)生的概率；

IR——借款利率；

Credit——借款人信用等級（HR、E、D、C、B、A、AA對應(yīng)賦值分別為0、1、2、3、4、5、6，信用等級越高代表借款人違約風險越低）；

X——控制變量。根據(jù)Klafft（2008）、Puro等（2010）、溫小霓和武小娟（2014）的研究，本文選取借款人年齡、學歷（按學歷從低到高依次賦值，高中或以下=0，大專=1，本科=2，研究生或以上=3）、婚姻狀況（已婚=1，未婚、喪偶、離異=0）、收入水平（人人貸平臺上統(tǒng)計的收入共有7類，分別為1 000元以下、1 000元～2 000元、2 000元～5 000元、5 000元～10 000元、10 000元～20 000元、20 000元～50 000元、50 000元以上，對應(yīng)賦值為income=0、1、2、3、4、5、6）及借款金額作為控制變量加入模型。

3. 數(shù)據(jù)描述性統(tǒng)計。本文通過爬蟲技術(shù)獲取了人人貸平臺編號200 000-230 000的借貸項目樣本，刪除了其中的數(shù)據(jù)缺失樣本，最終獲得有效樣本25 437個。通過描述性統(tǒng)計（見表1），發(fā)現(xiàn)：（1）成功項目個數(shù)為8 763個，失敗項目個數(shù)為16 674個，借款成功率為34.45%。（2）借款利率最低為8%，最高為24%，平均借款利率為12.56%。相對而言，投資人偏好借款利率較低的借貸項目。（3）借款人信用等級平均值為1.531，反映了人人貸的借款人整體信用水平偏低，大多數(shù)借款人的信用等級為HR或E。（4）借款人最小21歲，最大63歲，平均年齡約33歲，說明目前需要融資的主要群體為中青年人。（5）借款人學歷水平平均為0.896，反映人人貸的借款群體普遍學歷不高。（6）借款人婚姻狀況平均為0.572，說明已婚人士居多。（7）借款人收入均值為3.117，反映多數(shù)人收入在10 000元以下。

四、 實證結(jié)果與分析

本文利用STATA13.0這一統(tǒng)計軟件對相關(guān)截面數(shù)據(jù)進行回歸分析，回歸結(jié)果見表2。

模型一、三、五中借款利率變量前面的系數(shù)在1%的顯著性水平下為負值，表示借款利率越高，借款成功率越低，與本文的假設(shè)H1相符，同時體現(xiàn)了結(jié)果的穩(wěn)定性。由此，可以認定，在市場化利率能反映出借款人違約風險的情況下，人人貸平臺上的投資人面對“安全”和“收益”兩難選擇時，愿意放棄較高收益來確保投資的安全性。這背后的邏輯是，在借款人投資項目收益回報既定的前提下，高的借款利率壓低了未來投資項目盈利的利潤率，導致預(yù)期高收益的項目才會去P2P平臺上籌款，但這些項目同時伴隨著高風險。所以P2P平臺高借款利率只能吸引來高收益同時高風險的項目，優(yōu)質(zhì)的借款人會離開P2P網(wǎng)貸市場，最終形成P2P網(wǎng)貸市場上的逆向選擇。同時，需要注意的是，模型一的擬合度R2為4.83%；加入其他控制變量后，模型三的擬合度R2增至19.56%；進一步加入信用等級變量后，模型五的擬合度R2達到了79.10%，這反映了借款利率對借款成功率的解釋力度較為有限。

模型二、四、五中借款人信用等級變量前的系數(shù)在1%的顯著性水平下為正值，表示借款人信用等級越高，借款成功率越高，與本文的假設(shè)H2相符，同時體現(xiàn)了結(jié)果的穩(wěn)定性。投資人在選擇借貸項目時，偏好信用狀況較好的借款人，以便降低違約風險，確保資金順利收回。模型二的擬合度R2為74.52%，遠高于模型一，說明借款人信用等級較借款利率對借款成功率的解釋力度要強，也意味著投資人在進行貸款決策時，更關(guān)注借款人的信用等級，即借款人信用等級是影響P2P借款成功與否的關(guān)鍵因素。

借款金額與借款成功率在1%的顯著性水平下呈現(xiàn)負相關(guān)，且結(jié)果具有穩(wěn)定性，反映在其他條件不變的前提下，借款人的借款金額越高，借款成功率越低。背后原因很簡單，借款金額越大，借款人的償還壓力也越大，違約概率相應(yīng)提高，導致投資人惜貸，表現(xiàn)為借款成功率下降。

年齡、學歷、婚姻以及收入水平與借款成功率均在1%的顯著性水平下呈現(xiàn)正相關(guān)，且結(jié)果具有穩(wěn)定性，這反映年齡越大、學歷越高、已婚以及收入較高的借款人更容易獲得借款。收入對于還款能力的重要性顯而易見，借款人收入越高，違約風險越低，投資人自然愿意投資。通常而言，年齡大或者學歷高的人，自身的財富積累以及資源渠道都較多，還款較有保障。而婚姻代表著一個人的穩(wěn)定性，也是還款能力的一種體現(xiàn)。

五、 研究結(jié)論與政策建議

P2P作為當今融資新方式，不僅能夠拓寬個人投資渠道、實現(xiàn)普惠金融，而且也有利于大量項目得到融資，進而推動社會經(jīng)濟發(fā)展。但幾年運行下來，P2P平臺借款成功率普遍較低，未能發(fā)揮實際功能。本文從投資人的決策心理出發(fā)，對影響借款成功率的因素進行了實證研究，結(jié)果發(fā)現(xiàn)：

（1）借款利率越高，借款成功率越低。在市場化利率能反映出借款人違約風險的情況下，投資人樂于放棄較高收益而確保投資的安全性。

（2）借款人信用等級是影響P2P借款成功與否的關(guān)鍵因素，信用等級越高，借款成功率越高。

（3）借款成功率與借款金額負相關(guān)，而與年齡、學歷、婚姻以及收入水平正相關(guān)，反映了投資人會依據(jù)借款信息和借款人的個人特征對借貸項目未來的還款情況予以判定，以確保投資安全。

基于如上研究結(jié)果，本文提出以下四項政策建議：

（1）控制借貸項目的收益率水平。P2P平臺應(yīng)加強對借貸項目的審核，正確識別項目背后潛藏的風險，主動剔除高風險項目，將整個平臺的收益率水平維持在合理范圍內(nèi)，以便吸引更多的投資人進場。

（2）優(yōu)化信用評級制度。P2P平臺可實施動態(tài)的評級制度，比如累積多次未發(fā)生違約行為則提升信用等級等，以此賦予借款人更準確的評級，提升平臺的資金配置效率。

（3）加強借款人信息披露與審查制度。借款人的個人特征披露有助于降低借貸雙方的信息不對稱程度，從而提升平臺的借款成功率。P2P平臺可進一步增加信息披露種類，如借款人照片、網(wǎng)購交易信息、社交網(wǎng)絡(luò)信息等，以便全方位展現(xiàn)借款人的還款能力。

（4）加快P2P行業(yè)監(jiān)管法規(guī)的推進。政府應(yīng)明確P2P平臺的信息中介角色，對P2P行業(yè)設(shè)定準入門檻，同時要求P2P平臺建立嚴格的資金管理制度，完善第三方托管。

參考文獻：

[1] Klafft M.Online peer-to-peer lending：a len- ders' perspective[C].Proceedings of the International Conference on E-Learning， E-Business， Enterprise Information Systems， and E-Government， EEE，2008：371-375.

[2] Herzenstein M， Andrews R L， Dholakia U M， et al. The democratization of personal consumer loans？ Determinants of success in online peer-to-peer lending communities[R].Boston University School of Management Research Paper，2008.

[3] Puro L， Teich J E， Wallenius H， et al.Borrower decision aid for people-to-people lending[J].Decision Support Systems，2010，49（1）：52-60.

[4] Pope D G， Sydnor J R. What's in a Picture？ Evidence of Discrimination from Prosper.com[J].Journal of Human Resources，2011，46（1）：53-92.

[5] 溫小霓，武小娟.P2P網(wǎng)絡(luò)借貸成功率影響因素分析——以拍拍貸為例[J].金融論壇，2014，（3）：3-8.

[6] Ravina E.Love & Loans： The Effect of Beauty and Personal Characteristics in Credit Markets[R]，SSRN 1107307，2012.

[7] 陳冬宇，賴福軍，聶富強.社會資本，交易信任和信息不對稱——個人對個人在線借貸市場的實驗研究[J].北京航空航天大學學報（社會科學版），2013，26（4）：75-83.

[8] 宋文，韓麗川.P2P網(wǎng)絡(luò)借貸中投資者出借意愿影響因素分析[J].西南民族大學學報（自然科學版），2013，39（5）：795-799.

基金項目：國家社會科學基金重點項目“世界產(chǎn)業(yè)發(fā)展新趨勢與我國培育發(fā)展戰(zhàn)略性新興產(chǎn)業(yè)跟蹤研究”（項目號：12AZD06）；國家社會科學基金重點項目“新產(chǎn)業(yè)革命背景下我國產(chǎn)業(yè)轉(zhuǎn)型的體制機制創(chuàng)新研究”（項目號：13AZD072）；上海交通大學博士后研究基金（項目號：14X100030025）。

作者簡介：趙旭（1963-），女，漢族，浙江省東陽市人，上海交通大學安泰經(jīng)濟與管理學院教授、博士生導師，研究方向為產(chǎn)業(yè)經(jīng)濟學；趙子?。?984-），男，漢族，上海市人，上海交通大學安泰經(jīng)濟與管理學院博士后，研究方向為產(chǎn)業(yè)經(jīng)濟政策；周菁（1991-），女，漢族，湖南省邵陽市人，上海交通大學安泰經(jīng)濟與管理學院碩士生，研究方向為平臺經(jīng)濟學。

收稿日期：2016-03-17。